机构名称：
¥ 1.0
能源分解通过一个测量整个家庭用电需求的仪表来估计每个电器的用电量。与侵入式负荷监测相比，NILM（非侵入式负荷监测）成本低、易于部署且灵活。在本文中，我们提出了一种新方法，即 IMG-NILM，该方法利用卷积神经网络 (CNN) 分解以图像表示的电力数据。IMG-NILM 不是采用传统的将电力数据作为时间序列处理的方法，而是将时间序列转换为热图，将较高的电力读数描绘为“更热”的颜色。然后，CNN 使用图像表示从聚合数据中检测电器的特征。IMG-NILM 稳健而灵活，在各种类型的电器上均具有一致的性能；包括单一状态和多种状态。它在单个房屋的 UK-Dale 数据集上实现了高达 93% 的测试准确率，其中存在大量电器。在从不同房屋收集电力数据的更具挑战性的环境中，IMG-NILM 也达到了 85% 的非常好的平均准确率。
使用能量热图的深度学习 NILM 方法
主要关键词
相关文件推荐
